Dados Interativos

CASOS DE COVID-19 EM PERNAMBUCO

CASOS DE COVID-19 EM PERNAMBUCO

PERNAMBUCO

Casos em Pernambuco

4779

Casos Confirmados no Estado de Pernambuco

RECIFE

25

Olinda

18

Jaboatão dos Guararapes

21

Paulista

6

Número de Casos

Número de Casos

Datas que Houve Mortes

Data Vs Casos confirmados

Scatter Plot de Casos confirmados Vs Mortes

Scatter Plot de Casos confirmados Vs Mortes

Box Plot das Cidades

Mapa

Mapa

Coordenadas das Cidades de Visualização

       lat        lon 
 -8.064193 -34.878152 
       lat        lon 
 -7.934007 -34.868407 
       lat        lon 
 -8.175248 -34.946872 
cidade lat lon
Recife PE -8.0642 -34.8782
Paulista PE -7.9340 -34.8684
Jaboatão dos Guararapes PE -8.1752 -34.9469
cidade lat lon
Recife PE -8.0642 -34.8782
Paulista PE -7.9340 -34.8684
Jaboatão dos Guararapes PE -8.1752 -34.9469

Mapa Estático de Casos

OGR data source with driver: GeoJSON 
Source: "D:\Rstudio\bairros.geojson", layer: "bairros"
with 94 features
It has 5 fields

Plotar Mapas na Base do Google maps

Tabela de Dados

Tabela Dinâmica

Resumo

Column

Maximo de Dados Confirmadaos

  max.data.confirmed.
1                 401

Numero de Mortes

  sum.data.deaths.
1              390

Número médio de Mortes

  mean.data.deaths.
1                 5

Resumo

Resultados

  • Número de casos confirmados78

  • Número médio de casos confirmados 49.2564103.

  • Número médio de casos de mortes 5.

This report was generated on abril 13, 2020.

Sobre o Relatório

Criado por: Departamento de Engenharia Cartógrafica

---
title: "COVID-19 UFPE / DECART"
output: 
  flexdashboard::flex_dashboard:
    orientation: rows
    vertical_layout: fill
    social: [ "twitter", "facebook", "menu"]
    source_code: embed
---

```{r setup, include=FALSE}
library(flexdashboard)
library(knitr)
library(DT)
library(rpivotTable)
library(ggplot2)
library(plotly)
library(dplyr)
library(openintro)
library(highcharter)
library(ggvis)
library(maps) #mapas simples, eixos, escala, cidades 
library(mapdata) #base de dados WorldHires e rios
library(rworldmap) #outra base de dados de mapas do mundo
library(maptools) #Ler ESRI shapefiles 
library(mapproj) #Projeções e grids
library(ggmap) #Gmaps, OSM + mapas baseados em ggplot2
library(rgdal)
```

 
```{r}
### Leituras dos Dadoas
data <- read.csv("covid19-PE_09_04_2020.csv")
data<-data.frame(data)
```

```{r}
### Cor das Telas
mycolors <- c("red", "#FFC125", "darkgreen", "darkorange")
```

Dados Interativos 
========================================

CASOS DE COVID-19 EM PERNAMBUCO
-------------------------------------

### CASOS DE COVID-19 EM PERNAMBUCO

```{r}
valueBox(paste("PERNAMBUCO"),
         color = "warning")
```

### Casos em Pernambuco

```{r message=FALSE}
valueBox(sum(data$confirmed),
         icon = "fa-user")
```

### **Casos Confirmados no Estado de Pernambuco**

```{r}
###### Soma os Casos ####

soma<-sum(data$confirmed)

gauge(round(sum(data$confirmed),
            digits =10),
            min = 0,
            max = 100000,
            gaugeSectors(success = c(0, 1000),
                         warning = c(1000, 100000),
                         danger = c(100000, 1000000),
                         colors = c("green", "yellow", "red")))

```

### RECIFE

```{r}
valueBox(sum(data$city == "Recife"),
         icon = 'fa-building')
```

### Olinda

```{r}
valueBox(sum(data$city == "Olinda"),
         icon = 'fa-building')
```

### Jaboatão dos Guararapes

```{r}
valueBox(sum(data$city == "Jaboatão dos Guararapes"),
         icon = 'fa-building')
```

### Paulista

```{r}
valueBox(sum(data$city == "Paulista"),
         icon = 'fa-building')
```

Número de Casos
-------------------------------

### Número de Casos

```{r}
p1 <- data %>%
         group_by(city) %>%
         summarise(count = n()) %>%
         plot_ly(x = ~city,
                 y = ~count,
                 color = "blue",
                 type = 'bar') %>%
layout(xaxis = list(title = "Municipios"),
yaxis = list(title = 'Número de Casos'))
p1
```

### Datas que Houve Mortes

```{r}

# Carrega o pacote tidyr
library(tidyr)

# Reune as variaveis de ano espalhadas pela base 'homic'
#p2<- gather(data, state, deaths)

# Verifica as primeiras observacoes do novo banco
#head(p2)

# Reune variaveis espalhadas no banco homic
#p2
#p21 <- select(data, state, city, confirmed, deaths)

#p2<- gather(data = data, key = city, value = Recife,-date, -confirmed, -deaths)

# Visualiza o banco
#head(p2)

# Seleciona observacoes com populacao maior que 500 mil e menor que 1 milhao
a <-filter(data, place_type=="state",deaths>0)# ou
p2<-data.frame(a)

```


### Data Vs Casos confirmados

```{r}
p3 <- plot_ly(data,
              x = ~date,
              y = ~confirmed,
              text = paste("data:", data$date,
                           "Confirmado:",
                           data$confirmed),
              type = "bar") %>%
         layout(xaxis = list(title="data"),
                yaxis = list(title = "casos confirmados"))
p3
```

Scatter Plot de Casos confirmados Vs Mortes
------------------------------------
### Scatter Plot de Casos confirmados Vs Mortes

```{r}
## Eliminar as Linhas conm NA's######
data<-na.omit(data)

p4 <- plot_ly(data, x=~confirmed) %>%
         add_markers(y = ~deaths,
                     text = ~paste("confirmed: ", confirmed),
                     showlegend = F) %>%
         add_lines(y = ~fitted(loess(confirmed ~ deaths)),
                   name = "Loess Smoother",
                   color = I("#FFC125"),
                   showlegend = T,
                   line = list(width=5)) %>%
         layout(xaxis = list(title = "casos confirmados"),
                yaxis = list(title = "mortes"))
p4
```

### Box Plot das Cidades

```{r}
data %>%
         group_by(city) %>%
         ggvis(~city, ~deaths, fill = ~city) %>%
         layer_boxplots()
```

Mapa
========================================

### Mapa
Coordenadas das Cidades de Visualização

```{r}
cidades <- c("Recife PE","Paulista PE","Jaboatão dos Guararapes PE")
DF <- data.frame(cidade=cidades, lat=NA, lon=NA)
require(RgoogleMaps)
## Loading required package: RgoogleMaps
getGeoCode("Recife, Pernambuco, Brazil")
getGeoCode("Paulista, Pernambuco, Brazil")
getGeoCode("Jaboatão dos Guararapes Pernambuco, Brazil")

# Para várias cidades:
DF <- with(DF,data.frame(cidade=cidade, t(sapply(DF$cidade, getGeoCode))))
knitr::kable(DF, format="markdown", digits=4)

## Loading required package: plyr
library(plyr)
x<-ldply(DF$cidade, function(x) getGeoCode(x))
knitr::kable(
  data.frame(cidade=cidades,x),
  format="markdown",
  digits=4)
```



### Mapa Estático de Casos

```{r}
library(leaflet)
library(geojson)
nycounties <- rgdal::readOGR("bairros.geojson")
#ies.geojson", layer: "nycounties
pal <- colorNumeric("viridis", NULL)
leaflet(nycounties) %>%
  addTiles() %>%
  addPolygons(stroke = FALSE, smoothFactor = 0.3, fillOpacity = 25,
    fillColor = ~pal(bairro_codigo),
    label = ~paste0(bairro_codigo, ": ", formatC(bairro_codigo, big.mark = ","))) %>%
  addLegend(pal = pal, values = ~(bairro_codigo), opacity = 80.0,
    labFormat = labelFormat(transform = function(x) round(10^x)))

```

```{r Mapa Estático}
##
require(ggplot2)
## Loading required package: ggplot2
require(ggmap)
## Loading required package: ggmap
#box <- make_bbox(lon, lat, data = DF)
#map <-
 # ggmap(
   # get_map(location = box, maptype="toner", source="stamen")
   # ) +
  #geom_point(data=DF, x=DF$lon, y=DF$lat, color="red")
#map
```


### Plotar Mapas na Base do Google maps

```{r}
library(leaflet)
DF<-data.frame(DF)
#latitude=-8.064193
#longitude=-34.87815
m <- leaflet()
m <- addTiles(m)
m <- addMarkers(m, lng=-34.87815, lat=-8.064193, popup="origem")
m
```
```{r Mapa shapfile}

```


Tabela de Dados
========================================

```{r}
datatable(data,
          caption = "Failure Data",
          rownames = T,
          filter = "top",
          options = list(pageLength = 25))
```

Tabela Dinâmica
========================================

```{r}
rpivotTable(data,
            aggregatorName = "Count",
            cols= "city",
            rows = "date",
            rendererName = "Heatmap")
```

Resumo {data-orientation=columns} 
========================================

Column 
-----------------------------------

### Maximo de Dados Confirmadaos

```{r}

a<-data.frame(max(data$confirmed))
a

```

### Numero de Mortes
```{r}
b<-data.frame(sum(data$deaths))
b    
```

### Número médio de Mortes

```{r}
c<-data.frame(mean(data$deaths))
c
```

Resumo
---------------------------

Resultados

* Número de casos confirmados`r length(data$confirmed)` 

* Número médio de casos confirmados `r mean(data$confirmed)`.

* Número médio de casos de mortes `r mean(data$deaths)`.

This report was generated on `r format(Sys.Date(), format = "%B %d, %Y")`.

Sobre o Relatório
========================================

Criado por:  Departamento de Engenharia Cartógrafica